使用tensorflow的lstm网络进行时间序列预测

https://blog.csdn.net/flying_sfeng/article/details/78852816

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Flying_sfeng/article/details/78852816

这篇文章将讲解如何使用lstm进行时间序列方面的预测，重点讲lstm的应用，原理部分可参考以下两篇文章：

Understanding LSTM Networks       LSTM学习笔记

编程环境：python3.5，tensorflow 1.0

本文所用的数据集来自于kesci平台，由云脑机器学习实战训练营提供：真实业界数据的时间序列预测挑战

数据集采用来自业界多组相关时间序列（约40组）与外部特征时间序列（约5组）。本文只使用其中一组数据进行建模。

加载常用的库：

1.  
   #加载数据分析常用库
2.  
   import pandas as pd
3.  
   import numpy as np
4.  
   import tensorflow as tf
5.  
   from sklearn.metrics import mean_absolute_error,mean_squared_error
6.  
   from sklearn.preprocessing import MinMaxScaler
7.  
   import matplotlib.pyplot as plt
8.  
   % matplotlib inline
9.  
   import warnings
10.  
    warnings.filterwarnings('ignore')

数据显示：

1.  
   path = '../input/industry/industry_timeseries/timeseries_train_data/11.csv'
2.  
   data11 = pd.read_csv(path,names=['年','月','日','当日最高气温','当日最低气温','当日平均气温','当日平均湿度','输出'])
3.  
   data11.head()

	年	月	日	当日最高气温	当日最低气温	当日平均气温	当日平均湿度	输出
0	2015	2	1	1.9	-0.4	0.7875	75.000	814.155800
1	2015	2	2	6.2	-3.9	1.7625	77.250	704.251112
2	2015	2	3	7.8	2.0	4.2375	72.750	756.958978
3	2015	2	4	8.5	-1.2	3.0375	65.875	640.645401
4	2015	2	5	7.9	-3.6	1.8625	55.375	631.725130

加载数据：

1.  
   ##load data(本文以第一个表为例，其他表类似，不再赘述)
2.  
   f=open('../input/industry/industry_timeseries/timeseries_train_data/11.csv')
3.  
   df=pd.read_csv(f) #读入数据
4.  
   data=df.iloc[:,3:8].values #取第3-7列

定义常量并初始化权重：

1.  
   #定义常量
2.  
   rnn_unit=10 #hidden layer units
3.  
   input_size=4
4.  
   output_size=1
5.  
   lr=0.0006 #学习率
6.  
   tf.reset_default_graph()
7.  
   #输入层、输出层权重、偏置
8.  
   weights={
9.  
   'in':tf.Variable(tf.random_normal([input_size,rnn_unit])),
10.  
    'out':tf.Variable(tf.random_normal([rnn_unit,1]))
11.  
    }
12.  
    biases={
13.  
    'in':tf.Variable(tf.constant(0.1,shape=[rnn_unit,])),
14.  
    'out':tf.Variable(tf.constant(0.1,shape=[1,]))
15.  
    }

分割数据集，将数据分为训练集和验证集（最后90天做验证，其他做训练）：

1.  
   def get_data(batch_size=60,time_step=20,train_begin=0,train_end=487):
2.  
   batch_index=[]
3.  
    
4.  
   scaler_for_x=MinMaxScaler(feature_range=(0,1)) #按列做minmax缩放
5.  
   scaler_for_y=MinMaxScaler(feature_range=(0,1))
6.  
   scaled_x_data=scaler_for_x.fit_transform(data[:,:-1])
7.  
   scaled_y_data=scaler_for_y.fit_transform(data[:,-1])
8.  
    
9.  
   label_train = scaled_y_data[train_begin:train_end]
10.  
    label_test = scaled_y_data[train_end:]
11.  
    normalized_train_data = scaled_x_data[train_begin:train_end]
12.  
    normalized_test_data = scaled_x_data[train_end:]
13.  
     
14.  
    train_x,train_y=[],[] #训练集x和y初定义
15.  
    for i in range(len(normalized_train_data)-time_step):
16.  
    if i % batch_size==0:
17.  
    batch_index.append(i)
18.  
    x=normalized_train_data[i:i+time_step,:4]
19.  
    y=label_train[i:i+time_step,np.newaxis]
20.  
    train_x.append(x.tolist())
21.  
    train_y.append(y.tolist())
22.  
    batch_index.append((len(normalized_train_data)-time_step))
23.  
     
24.  
    size=(len(normalized_test_data)+time_step-1)//time_step #有size个sample
25.  
    test_x,test_y=[],[]
26.  
    for i in range(size-1):
27.  
    x=normalized_test_data[i*time_step:(i+1)*time_step,:4]
28.  
    y=label_test[i*time_step:(i+1)*time_step]
29.  
    test_x.append(x.tolist())
30.  
    test_y.extend(y)
31.  
    test_x.append((normalized_test_data[(i+1)*time_step:,:4]).tolist())
32.  
    test_y.extend((label_test[(i+1)*time_step:]).tolist())
33.  
     
34.  
    return batch_index,train_x,train_y,test_x,test_y,scaler_for_y

 

定义LSTM的网络结构：

1.  
   #——————————————————定义神经网络变量——————————————————
2.  
   def lstm(X):
3.  
   batch_size=tf.shape(X)[0]
4.  
   time_step=tf.shape(X)[1]
5.  
   w_in=weights['in']
6.  
   b_in=biases['in']
7.  
   input=tf.reshape(X,[-1,input_size]) #需要将tensor转成2维进行计算，计算后的结果作为隐藏层的输入
8.  
   input_rnn=tf.matmul(input,w_in)+b_in
9.  
   input_rnn=tf.reshape(input_rnn,[-1,time_step,rnn_unit]) #将tensor转成3维，作为lstm cell的输入
10.  
    cell=tf.contrib.rnn.BasicLSTMCell(rnn_unit)
11.  
    #cell=tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(rnn_unit)
12.  
    init_state=cell.zero_state(batch_size,dtype=tf.float32)
13.  
    output_rnn,final_states=tf.nn.dynamic_rnn(cell, input_rnn,initial_state=init_state, dtype=tf.float32) #output_rnn是记录lstm每个输出节点的结果，final_states是最后一个cell的结果
14.  
    output=tf.reshape(output_rnn,[-1,rnn_unit]) #作为输出层的输入
15.  
    w_out=weights['out']
16.  
    b_out=biases['out']
17.  
    pred=tf.matmul(output,w_out)+b_out
18.  
    return pred,final_states

模型训练与预测：

1.  
   #——————————————————训练模型——————————————————
2.  
   def train_lstm(batch_size=80,time_step=15,train_begin=0,train_end=487):
3.  
   X=tf.placeholder(tf.float32, shape=[None,time_step,input_size])
4.  
   Y=tf.placeholder(tf.float32, shape=[None,time_step,output_size])
5.  
   batch_index,train_x,train_y,test_x,test_y,scaler_for_y = get_data(batch_size,time_step,train_begin,train_end)
6.  
   pred,_=lstm(X)
7.  
   #损失函数
8.  
   loss=tf.reduce_mean(tf.square(tf.reshape(pred,[-1])-tf.reshape(Y, [-1])))
9.  
   train_op=tf.train.AdamOptimizer(lr).minimize(loss)
10.  
    with tf.Session() as sess:
11.  
    sess.run(tf.global_variables_initializer())
12.  
    #重复训练5000次
13.  
    iter_time = 5000
14.  
    for i in range(iter_time):
15.  
    for step in range(len(batch_index)-1):
16.  
    _,loss_=sess.run([train_op,loss],feed_dict={X:train_x[batch_index[step]:batch_index[step+1]],Y:train_y[batch_index[step]:batch_index[step+1]]})
17.  
    if i % 100 == 0:
18.  
    print('iter:',i,'loss:',loss_)
19.  
    ####predict####
20.  
    test_predict=[]
21.  
    for step in range(len(test_x)):
22.  
    prob=sess.run(pred,feed_dict={X:[test_x[step]]})
23.  
    predict=prob.reshape((-1))
24.  
    test_predict.extend(predict)
25.  
     
26.  
    test_predict = scaler_for_y.inverse_transform(test_predict)
27.  
    test_y = scaler_for_y.inverse_transform(test_y)
28.  
    rmse=np.sqrt(mean_squared_error(test_predict,test_y))
29.  
    mae = mean_absolute_error(y_pred=test_predict,y_true=test_y)
30.  
    print ('mae:',mae,' rmse:',rmse)
31.  
    return test_predict

调用train_lstm()函数，完成模型训练与预测的过程，并统计验证误差（mae和rmse）:

test_predict = train_lstm(batch_size=80,time_step=15,train_begin=0,train_end=487)

 

迭代5000次后的结果：

1.  
   iter: 3900 loss: 0.000505382
2.  
   iter: 4000 loss: 0.000502154
3.  
   iter: 4100 loss: 0.000503413
4.  
   iter: 4200 loss: 0.00140424
5.  
   iter: 4300 loss: 0.000500015
6.  
   iter: 4400 loss: 0.00050004
7.  
   iter: 4500 loss: 0.000498159
8.  
   iter: 4600 loss: 0.000500861
9.  
   iter: 4700 loss: 0.000519379
10.  
    iter: 4800 loss: 0.000499999
11.  
    iter: 4900 loss: 0.000501265
12.  
    mae: 121.183626208 rmse: 162.049017904

画图分析：

 

1.  
   plt.figure(figsize=(24,8))
2.  
   plt.plot(data[:, -1])
3.  
   plt.plot([None for _ in range(487)] + [x for x in test_predict])
4.  
   plt.show()

结果如下：

 

 

可以看到，lstm模型基本能预测出序列的趋势。

为了简化流程，本文在特征工程及参数调优方面并没有下功夫，适合初学者探索lstm模型在时间序列问题上的应用。

ps:数据的归一化很重要，必须保证把训练集跟验证集规范在同一个空间内，否则得到的效果会很差。（我以前做天池的降雨量预测问题时一开始用的就是lstm，就是这一步没做好，导致最后得到的结果基本很相近，最后这个模型被我放弃了。我在做这个数据集的时候一开始也遇到这个问题，后来在归一化时把样本都设置在同个空间范畴，就解决问题了）。

数据集提供了大概45组数据，所以我们可以使用multi-task learning探索各组数据之间的关联性，这部分我还没具体了解，就不贻笑大方了。

本文建模的框架来自于：Tensorflow实例：利用LSTM预测股票每日最高价（二）

 

--------------------- 本文来自 Flying_sfeng 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/flying_sfeng/article/details/78852816?utm_source=copy